PJPaulo César De Almeida Júnior

Paulo César De Almeida Júnior

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Paulo César De Almeida Júnior has a total of 7 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Open Access

    Ferramentas educacionais para o ensino de programação no nível médio e em cursos técnicos: uma revisão integrativa

    by Fransoar Araújo Silva, Maria Auxiliadora de Oliveira Chaves, Adonias Caetano De Oliveira, Daniel Lima Sousa, David de Miranda Rodrigues, Paulo César De Almeida Júnior

    Ensinar programação em contextos educacionais ainda representa um desafio, marcado pela abstração conceitual, pela dificuldade de aplicar teoria na prática e pelo desinteresse dos estudantes. Habilidades como raciocínio lógico, resolução de problemas e pensamento computacional, muitas vezes pouco desenvolvidas nos anos iniciais, intensificam essas dificuldades. Esta revisão integrativa buscou identificar ferramentas e metodologias que favoreçam o ensino e a aprendizagem de algoritmos e programação, oferecendo subsídios para práticas pedagógicas mais eficazes. Foram analisados 1.024 estudos publicados entre 2019 e 2024, dos quais 20 atenderam aos critérios de seleção e apresentaram evidências relevantes. Os resultados indicam que estratégias como gamificação, plataformas interativas e jogos educacionais aumentam o engajamento e facilitam a aprendizagem. A robótica educacional também se destaca por associar programação a atividades práticas, promovendo desenvolvimento técnico, cognitivo e socioemocional. Além disso, linguagens em blocos, como Scratch e Blockly, favorecem a compreensão inicial dos conceitos ao reduzir a complexidade sintática e apoiar o foco na lógica algorítmica. Apesar dos avanços, limitações estruturais persistem, sobretudo em escolas com baixo acesso à tecnologia. Assim, políticas públicas, formação docente contínua e investimentos em infraestrutura são essenciais para ampliar a adoção dessas práticas e garantir um ensino inclusivo e de qualidade em algoritmos e programação.


  • Open Access

    Avaliação de Desempenho de Classificadores a Partir de Dados Relacionados à Precipitação Pluviométrica Coletados por Estação Meteorológica Automática

    by Rhyan Ximenes De Brito, Maria A. de Oliveira Chaves, Roney Nogueira de Sousa, Adonias Caetano de Oliveira, Paulo César de Almeida Júnior

    A previsão de precipitação é essencial para o planejamento e a gestão dos recursos hídricos, afetando áreas como agricultura, geração de energia, planejamento urbano e conservação da água. No caso da agricultura, essa previsão permite a coleta de dados precisos sobre a distribuição e quantidade das chuvas, otimizando o uso da água e aumentando a produtividade. Este estudo explora a aplicação de diferentes abordagens clássicas de aprendizado de máquina na previsão de precipitações, utilizando um conjunto de dados pluviométricos de Tianguá (CE), abrangendo etapas como pré-processamento, balanceamento de dados, avaliação de nove modelos diferentes e explicação local de um modelo. O objetivo é realizar uma análise comparativa do desempenho de algoritmos como Logistic Regression (LR), Naive Bayes (NB), Extra Tree (ET), Extreme Learning Machine (ELM), k-nearest neighbors (k-NN), Multilayer Perceptron (MLP), Random Forest (RF), Support Vector Machines (SVM) e um modelo ensemble. Além disso, foi aplicado o método Local Interpretable Model-Agnostic Explanations (LIME), visando identificar o modelo mais adequado e compreender os atributos que mais influenciam as classificações. Essa abordagem fornece insights valiosos para a melhoria da performance em estudos futuros, como a aplicação de técnicas de seleção de atributos. Entre os modelos testados, o ensemble baseado na votação majoritária de quatro algoritmos apresentou a melhor performance geral, com acurácia de 85% e excelente equilíbrio no F1-Score, tornando-o uma escolha robusta para aplicações que requerem previsões confiáveis. Embora o modelo NB tenha mostrado menor acurácia (76%), destacou-se pela alta precisão (91%), indicando que, quando previa chuva, quase sempre acertava, além de apresentar excelente sensibilidade para detectar ausência de precipitação (recall de 88%). Outros modelos registraram acurácia entre 83% e 84%, sendo alternativas viáveis conforme as necessidades específicas de cada aplicação. Ao explicar o modelo ET por meio do método LIME, a análise das dez primeiras predições do conjunto de teste apontou que as características mais influentes para prever chuvas incluíram umidade máxima e instantânea, além de temperatura mínima e instantânea, enquanto fatores como temperatura máxima e umidade mínima foram mais relevantes para prever a ausência de chuvas.